技术新讯 > 测量装置的制造及其应用技术 > 一种食用油生产质量控制系统及方法与流程  >  正文

一种食用油生产质量控制系统及方法与流程

  • 国知局
  • 2024-09-14 15:14:31

本技术涉及食用油,具体地,涉及一种食用油生产质量控制系统及方法。

背景技术:

1、食用油作为日常生活中不可或缺的食品之一,其质量安全直接关系到人们的健康。然而,食用油在生产过程中可能会混入各种杂质和异物,这些杂质不仅影响油品的外观,还可能对人体健康造成潜在威胁。因此,在食用油生产过程中,对于食用油的生产质量进行有效检测和控制,以确保食用油的质量安全对于保障消费者健康至关重要。

2、然而,传统的食用油生产质量检测控制系统存在一些缺陷,例如依赖人工进行质量检测,这种方式的智能化程度较低,容易造成效率低下、成本较高的问题。此外,在某些情况下,人工检测难以发现微小的杂质或异物,从而增加了食用油产品的风险。

3、因此,期望一种优化的食用油生产质量控制系统。

技术实现思路

1、提供该技术实现要素:部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。

2、第一方面,本技术提供了一种食用油生产质量控制系统,所述系统包括:第一单色光图像采集模块,用于获取由摄像头采集的待检测食用油在第一单色光照射下的食用油第一单色光图像;第二单色光图像采集模块,用于获取由所述摄像头采集的所述待检测食用油在第二单色光照射下的食用油第二单色光图像,其中,所述第一单色光为红色光且所述第二单色光为蓝色光;单色光下食用油状态特征提取模块,用于分别对所述食用油第一单色光图像和所述食用油第二单色光图像进行基于食用油状态的特征提取以得到食用油第一单色光下状态特征图和食用油第二单色光下状态特征图;图像全局-显著特征强化模块,用于将所述食用油第一单色光下状态特征图和所述食用油第二单色光下状态特征图输入基于显著性-全局性的特征表征强化模块以得到强化食用油第一单色光下状态特征图和强化食用油第二单色光下状态特征图;食用油灯检结果生成模块,用于计算所述强化食用油第一单色光下状态特征图和所述强化食用油第二单色光下状态特征图之间的差分特征图,并基于所述差分特征图生成灯检结果,所述灯检结果用于表示食用油是否存在异常。

3、可选地,所述单色光下食用油状态特征提取模块,用于:将所述食用油第一单色光图像和所述食用油第二单色光图像分别通过基于空洞卷积神经网络模型的食用油状态特征提取器以得到所述食用油第一单色光下状态特征图和所述食用油第二单色光下状态特征图。

4、可选地,所述图像全局-显著特征强化模块,包括:向量化展开单元,用于将所述食用油第一单色光下状态特征图中沿通道维度的各个特征矩阵进行向量化展开以得到食用油第一单色光下状态特征向量的序列;数值计算单元,用于分别计算所述食用油第一单色光下状态特征向量的序列中的各个食用油第一单色光下状态特征向量的均值和最大值以得到由多个向量均值组成的食用油第一单色光下状态语义全局表示向量和由多个向量最大值组成的食用油第一单色光下状态语义突出表示向量;第一特征捕获和表达单元,用于对所述食用油第一单色光下状态语义全局表示向量进行特征捕获和表达以得到食用油第一单色光下状态全局语义激活表示特征向量;第二特征捕获和表达单元,用于对所述食用油第一单色光下状态语义突出表示向量进行特征捕获和表达以得到食用油第一单色光下状态突出语义激活表示特征向量;向量融合单元,用于融合所述食用油第一单色光下状态全局语义激活表示特征向量和所述食用油第一单色光下状态突出语义激活表示特征向量以得到食用油第一单色光下状态全局-突出语义关联激活特征向量后,对所述食用油第一单色光下状态全局-突出语义关联激活特征向量进行非线性激活处理以得到食用油第一单色光下状态全局-突出语义关联权重特征向量;按位置点乘计算单元,用于以所述食用油第一单色光下状态全局-突出语义关联权重特征向量作为权重,对所述食用油第一单色光下状态特征向量的序列进行按位置点乘并加上所述食用油第一单色光下状态特征向量的序列以得到强化食用油第一单色光下状态特征向量的序列;聚合单元,用于将所述强化食用油第一单色光下状态特征向量的序列按照所述食用油第一单色光下状态特征图向量化展开的方式进行聚合以得到所述强化食用油第一单色光下状态特征图。

5、可选地,所述第一特征捕获和表达单元,用于:对所述食用油第一单色光下状态语义全局表示向量进行一维卷积编码后通过激活函数进行处理以得到激活表达食用油第一单色光下状态语义全局表示向量;将所述激活表达食用油第一单色光下状态语义全局表示向量再次通过一维卷积编码后与第一可训练线性变换权重矩阵进行矩阵相乘以得到所述食用油第一单色光下状态全局语义激活表示特征向量。

6、可选地,所述第二特征捕获和表达单元,用于:对所述食用油第一单色光下状态语义突出表示向量进行一维卷积编码后通过激活函数进行处理以得到激活表达食用油第一单色光下状态语义突出表示向量;将所述激活表达食用油第一单色光下状态语义突出表示向量再次通过一维卷积编码后与第二可训练线性变换权重矩阵进行矩阵相乘以得到所述食用油第一单色光下状态突出语义激活表示特征向量。

7、可选地,所述向量融合单元,用于:融合所述食用油第一单色光下状态全局语义激活表示特征向量和所述食用油第一单色光下状态突出语义激活表示特征向量以得到所述食用油第一单色光下状态全局-突出语义关联激活特征向量;分别利用双曲正切函数和函数对所述食用油第一单色光下状态全局-突出语义关联激活特征向量进行激活处理以得到食用油第一单色光下状态全局-突出特征双曲正切激活语义表征向量和食用油第一单色光下状态全局-突出特征s型激活语义表征向量;将所述食用油第一单色光下状态全局-突出特征双曲正切激活语义表征向量和所述食用油第一单色光下状态全局-突出特征s型激活语义表征向量进行按位置点乘以得到所述食用油第一单色光下状态全局-突出语义关联权重特征向量。

8、可选地,所述食用油灯检结果生成模块,用于:计算所述强化食用油第一单色光下状态特征图和所述强化食用油第二单色光下状态特征图之间的所述差分特征图;将所述差分特征图输入基于分类器的灯检结果生成器以得到灯检结果,所述灯检结果用于表示食用油是否存在异常。

9、可选地,还包括用于对所述基于空洞卷积神经网络模型的食用油状态特征提取器、所述基于显著性-全局性的特征表征强化模块以和所述基于分类器的灯检结果生成器进行训练的训练模块。

10、可选地,所述训练模块,包括:训练第一单色光图像采集单元,用于获取由摄像头采集的待检测食用油在第一单色光照射下的训练食用油第一单色光图像,以及,食用油是否存在异常的真实值;训练第二单色光图像采集单元,用于获取由所述摄像头采集的所述待检测食用油在第二单色光照射下的训练食用油第二单色光图像,其中,所述第一单色光为红色光且所述第二单色光为蓝色光;训练单色光下食用油状态特征提取单元,用于分别对所述训练食用油第一单色光图像和所述训练食用油第二单色光图像进行基于食用油状态的特征提取以得到训练食用油第一单色光下状态特征图和训练食用油第二单色光下状态特征图;训练图像全局-显著特征强化单元,用于将所述训练食用油第一单色光下状态特征图和所述训练食用油第二单色光下状态特征图输入所述基于显著性-全局性的特征表征强化模块以得到训练强化食用油第一单色光下状态特征图和训练强化食用油第二单色光下状态特征图;训练食用油灯检结果生成单元,用于计算所述训练强化食用油第一单色光下状态特征图和所述训练强化食用油第二单色光下状态特征图之间的训练差分特征图;分类损失单元,用于将所述训练差分特征图输入所述基于分类器的灯检结果生成器以得到分类损失函数值;损失函数计算单元,用于计算针对所述训练差分特征图的预定损失函数值;训练单元,用于以所述分类损失函数值和所述预定损失函数值的加权和作为最终损失函数值对所述基于空洞卷积神经网络模型的食用油状态特征提取器、所述基于显著性-全局性的特征表征强化模块以和所述基于分类器的灯检结果生成器进行训练。

11、第二方面,本技术提供了一种食用油生产质量控制方法,所述方法包括:获取由摄像头采集的待检测食用油在第一单色光照射下的食用油第一单色光图像;获取由所述摄像头采集的所述待检测食用油在第二单色光照射下的食用油第二单色光图像,其中,所述第一单色光为红色光且所述第二单色光为蓝色光;分别对所述食用油第一单色光图像和所述食用油第二单色光图像进行基于食用油状态的特征提取以得到食用油第一单色光下状态特征图和食用油第二单色光下状态特征图;将所述食用油第一单色光下状态特征图和所述食用油第二单色光下状态特征图输入基于显著性-全局性的特征表征强化模块以得到强化食用油第一单色光下状态特征图和强化食用油第二单色光下状态特征图;计算所述强化食用油第一单色光下状态特征图和所述强化食用油第二单色光下状态特征图之间的差分特征图,并基于所述差分特征图生成灯检结果,所述灯检结果用于表示食用油是否存在异常。

12、采用上述技术方案,通过摄像头采集食用油在红色光和蓝色光照射下的第一单色光图像和第二单色光图像,并在后端引入基于人工智能和机器视觉技术的图像处理和分析算法来对于该第一单色光图像和第二单色光图像进行分析和对比,以此来对于食用油中的可视性杂质或异物进行识别和检测。这样,能够对食用油中的可视性杂质或异物等异常进行自动灯检,从而实现食用油生产过程的智能化生产质量控制,以确保最终产品符合质量标准。

13、本技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。

本文地址:https://www.jishuxx.com/zhuanli/20240914/297489.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。